‫تطوير متحكم مرتكز على الشبكات العصبونية الصنعية ذات التغذية األمامية وعلى‬

‫طريقة التحكم المباشر لتحسين كفاءة نظم الطاقة الشمسية الكهروضوئية باستخدام‬
‫‪Matlab/Simulink‬‬
‫*‬
‫د‪ .‬إيمان ديالنة‬
‫ملخص‬
‫يقدم البحث منهجية جديدة لتطوير متحكم مرتكز على الشبكات العصبونية الصنعية ‪ ANN‬وعلى طريقة‬
‫التحكم المباشر‪ ،‬بهدف الحصول على الطاقة القصوى الممكنة من النظم الشمسية الكهروضوئية في ظل التغيرات‬
‫الجوية المختلفة من شدة إشعاع شمسي ودرجة حرارة محيطة‪ .‬في هذا السياق‪ ،‬يقدم البحث نموذج جديد لمتحكم‬
‫‪ MPPT-ANN‬لتتبع نقطة االستطاعة العظمى ‪ MPP‬للنظم الشمسية الكهروضوئية في بيئة‬
‫‪ .Matlab/Simulink‬يرتكز المتحكم ‪ MPPT-ANN‬المطور على شبكة عصبونية صنعية ذات تغذية أمامية‬
‫‪FFNN‬مدربة باستخدام خوارزمية االنتشار العكسي للخطأ‪ ،‬لتحديد توتر التشغيل األمثل للنظام الكهروضوئي ‪PV‬‬
‫عند التغيرات الجوية المختلفة‪ .‬كما يقترح البحث‪ ،‬خوارزمية تحكم تعتمد على طريقة التحكم المباشر لتحديد نسبة‬
‫التشغيل المستخدمة للتحكم مباشرة في دورة عمل مبدل جهد مستمر‪ ،‬وذلك اعتمادا على مقارنة الفرق الناتج بين‬
‫توتر خرج النظام الكهروضوئي وتوتر التشغيل األمثل خرج الشبكة العصبونية‪ .‬إن لمتحكم المطور ‪MPPT-ANN‬‬
‫المرتكز على شبكة ‪ ،FFNN‬يمتاز بسرعة فائقة بتتبع نقطة ‪ MPP‬وبتحقيق كفاءة عالية لنظام ‪ PV‬عند التغيرات‬
‫الجوية‪ .‬أظهرت نتائج المحاكاة المنجزة في بيئة ‪ ،Matlab/Simulink‬األداء األفضل للمتحكم المطور ‪MPPT-‬‬
‫‪ ANN‬بتحقيق أداء ديناميكي أفضل ودقة عالية عند تتبع نقطة ‪ ،MPP‬مقارنة مع استخدام متحكم أخر ‪MPPT-‬‬
‫‪ ANN-PI‬يعتمد على شبكة عصبونية صنعية ومتحكم تناسبي‪-‬تكاملي تقليدي‪ ،‬ومقارنة أيضا ً مع متحكم تقليدي‬
‫‪ MPPT-P&O‬مرتكز على تقنية االضطراب والمراقبة عند التغيرات الجوية المختلفة‪.‬‬

‫الكلمات المفتاحية‪:‬‬
‫نظام كهروضوئي‪ ،‬شبكة عصبونية صنعية ذات تغذية أمامية‪ ،‬طريقة التحكم المباشر‪ ،‬تقنية االضطراب والمراقبة‪.‬‬

‫*مدرسة– قسم هندسة القوى الميكانيكية –كلية الهندسة الميكانيكية والكهربائية – جامعة تشرين – الالذقية – سورية‪.‬‬
‫‪imanedilaneh@gmail.com‬‬

‫‪1‬‬
 Developing a Controller based on Feed Forward Neural
Networks and Direct Control Method to improve the
efficiency of Solar Photovoltaic Energy Systems using
Matlab/Simulink
*
Dr. Imane Dilaneh

ABSTRACT
This research presents a new methodology for the development of a controller based
on Artificial Neural Networks and Direct control method in order to obtain the
maximum available energy from Solar Photovoltaic (PV) Energy systems under
different atmospheric changes of the solar insolation and ambient temperature. In this
context, this research presents a new model for MPPT-ANN in order to track the
Maximum Power Point of PV systems in Matlab/Simulink environment. The developed
controller is based on Feed Forward Neural Network FFNN trained by Back-
propagation algorithm of error to determine the optimal voltage operation of the system
PV system at different atmospheric changes. This research also suggests, control
algorithm based on the direct control method in order to determine the duty cycle,
which used to control directly the operating of DC-DC Voltage Converter, depending
on a comparison of the difference between the output voltage of PV system and the
optimal voltage output of the neural network. The developed controller MPPT-ANN
based on a network FFNN, Characterized by fast speed to track of MPP point and
achieve high efficiency for the PV system under the atmospheric changes. The
simulation results completed in Matlab/Simulink environment, showed the best
performance of developed controller MPPT-ANN by achieving a better dynamic
performance and high accuracy when tracking the MPP, compared with the use of the
another PI-ANN controller based on artificial neural network and the conventional
Proportional-Integral Controller, and compared with the use of the conventional MPPT-
P&O based on Perturb and Observe (P&O) technique under different atmospheric
changes.

Key words
Photovoltaic System, Feed Forward Neural Network, Direct control method, Perturb
and Observe technique.

*
Assistant Professor, Department of Mechanical Power Engineering, faculty of Mechanical and
Electrical Engineering, Tishreen University, Lattakia, Syria. imanedilaneh@gmail.com.

2
 ‫مقدمة‪:‬‬
‫طورت عدة تقنيات تحكم لتتبع نقطة االستطاعة العظمى (‪ )Maximum Power Point, MPP‬للنظم‬
‫الشمسية الكهروضوئية (‪ ،)Photovoltaic System, PV‬بهدف الحصول على الطاقة القصوى من هذه النظم‬
‫الكهروضوئية في ظل تغير شدة اإلشعاع الشمسي‪ ،‬تغير درجة حرارة الجو المحيط واضطرابات الحمل المربوط‬
‫معها‪ .‬تركزت معظم تقنيات تتبع نقطة االستطاعة العظمى )‪،(Maximum Power Point Tracking, MPPT‬‬
‫على استخدام تقنيات تتبع تقليدية‪ .‬تختلف هذه التقنيات التقليدية فيما بينها من حيث بساطتها‪ ،‬سهولتها في التنفيذ‪،‬‬
‫تكلفتها‪ ،‬دقتها في تتبع نقطة ‪ MPP‬ومن حيث استخدامها لطريقة التحكم المباشر أو غير المباشر [‪ .]3,2,1‬من أكثر‬
‫التقنيات التقليدية استخداما‪ ،‬نذكر تقنية االضطراب والمراقبة )‪ (Perturb and Observer, P&O‬وتقنية زيادة‬
‫الناقلية )‪ .(Incremental conductance, INC‬تتميز تقنيات ‪ P&O‬و ‪ INC‬التقليدية‪ ،‬المرتكزة على طريق‬
‫التحكم المباشر بأداء أفضل مقارنة مع تلك المستخدمة لطريقة التحكم الغير مباشر المتطلبة استخدام متحكم تناسبي‪-‬‬
‫تكاملي تقليدي )‪ .(Proportional Integral Controller, PI‬إن استخدام متحكم ‪ PI‬تقليدي للتحكم في دورة‬
‫عمل مبدل الجهد لتحقيق عمل نظام ‪ PV‬عند نقطة ‪ ،MPP‬يخفض من األداء الديناميكي لنظام التحكم كما أنه ال‬
‫يعتبر الحل األنسب عند التحكم باألنظمة الالخطية كنظم ‪.PV‬‬
‫يمكن استخدام تقنيات التحكم المتقدمة‪ ،‬كالتحكم الضبابي )‪ (Fuzzy Logic Controller, FLC‬والشبكات‬
‫العصبونية الصنعية (‪ ،)Artificial Neural Networks, ANN‬لضمان أداء أفضل لعمل أنظمة التحكم في تتبع‬
‫نقطة ‪ MPP‬مقارنة مع استخدام تقنيات ‪ P&O‬و‪ .]6,5,4[ INC‬يعتبر المتحكم الضبابي ‪ FLC‬من أكثر تقنيات‬
‫التحكم المتقدمة استخداما‪ ،‬حيث أنه يمكن من تتبع نقطة ‪ MPP‬لنظم ‪ PV‬بكفاءة عالية‪ .‬يعتمد التصميم الجيد‬
‫للمتحكم الضبابي ‪ FLC‬بشكل أساسي على خبرة المصمم وفهمه العميق للعالقة الرابطة بين كل من متغيرات الدخل‬
‫والخرج للمتحكم‪ ،‬لذلك يمكن أن يفشل تصميم المتحكم ‪ FLC‬في حالة غياب المعرفة الدقيقة لهذه العالقة‪ .‬إن‬
‫استخدام الشبكات العصبونية ‪ ANN‬لتصميم متحكم ‪ ،MPPT‬يتسم بالسهولة والبساطة مقارنة مع تصميم متحكم‬
‫‪ MPPT‬مرتكز على استخدام ‪ .FLC‬حيث يمكن بناء متحكم ‪ ANN‬بسهولة في حال توفر بيانات تدريب كافية‪،‬‬
‫وباالختيار الصحيح لهيكلية الشبكة العصبونية الصنعية‪ ،‬المحققة لمعايير األداء الجيد‪ .‬في المرجع ]‪ ،[5‬تم نمذجة‬
‫شبكة ‪ ANN‬لتحديد تيار التشغيل األمثل ‪ IMPP‬الموافق لنقطة ‪ ،MPP‬حيث تم ضبط تيار خرج النظام ‪ PV‬عند‬
‫تيار التشغيل ‪ IMPP‬باستخدام متحكم ‪ PI‬تقليدي‪ .‬أما في المرجع ]‪ ،[6‬تم اعتبار أن نسبة التشغيل هي خرج شبكة‬
‫‪ ،ANN‬أما مدخل الشبكة فهي االستطاعة خرج نظام ‪ .PV‬أظهرت هذه الدراسات المرجعية‪ ،‬تحقيق المتحكم‬
‫المرتكز على شبكة ‪ ANN‬سلوك حالة عابرة جيد يتميز بسرعة استجابة عالية لتتبع نقطة ‪ MPP‬عند التغيرات‬
‫الجوية المختلفة مقارنة مع تقنيات التحكم األخرى‪.‬‬

‫أهمية البحث وأهدافه‬

‫يقدم البحث منهجية جديدة لتطوير متحكم ‪ MPPT‬مرتكز على الشبكات العصبونية الصنعية ‪ ANN‬في بيئة‬
‫‪ ،Matlab/Simulink‬لتحسن كفاءة نظم الطاقة الشمسية الكهروضوئية في ظل التغيرات الجوية المختلفة‪ .‬في هذا‬
‫السياق‪ ،‬يقدم البحث نموذج لشبكة عصبونية صنعية ذات تغذية أمامية (‪Forward Neural Networks, FFNN‬‬
‫‪ )Feed‬مدربة باستخدام خوارزمية االنتشار العكسي (‪ )Back-propagation‬للخطأ‪ ،‬وذلك لتقدير خرج الشبكة‬
‫العصبونية الموافق لتوتر التشغيل األمثل ‪ VMPP‬لنظام ‪ ،PV‬اعتمادا على عدد محدد من البارامترات الجوية‪ ،‬التي‬
‫يمكن قياسها بدقة وسهولة‪ ،‬وهي درجة الحرارة وشدة اإلشعاع الشمسي‪ .‬كما يقترح البحث‪ ،‬خوارزمية تحكم‬
‫مرتكزة على طريقة التحكم المباشر )‪ ،(Direct Control Method‬لتحديد نسبة التشغيل (‪)Duty Cycle, D‬‬
‫األمثل المستخدمة للتحكم في دورة عمل مبدل رافع للجهد المستمر‪ ،‬وهذا ما ال يمكن تحقيقه بكفاءة عالية باستخدام‬
‫متحكم ‪ PI‬تقليدي‪ .‬يمتاز المتحكم المطور في البحث‪ ،‬بتحقيق أداء ديناميكي جيد ودقة عالية في تتبع نقطة ‪MPP‬‬
‫باإلضافة لتحسين كفاءة نظام ‪ PV‬عند التغيرات الجوية المختلفة‪ ،‬مقارنة مع استخدام متحكم ‪MPPT-ANN-PI‬‬
‫المطور في المرجع ]‪ ،[7‬المعتمد على استخدام شبكة عصبونية صنعية ومتحكم ‪ PI‬تقليدي‪ ،‬ومقارنة أيضا ًمع‬
‫متحكم تقليدي ‪ MPPT-P&O‬مرتكز على تقنية االضطراب والمراقبة عند التغيرات الجوية المختلفة‪.‬‬

‫طرائق البحث ومواده‬

‫تعتمد نمذجة الشبكة العصبونية الصنعية ذات التغذية العكسية األمامية ‪ ،FFNN‬على استخدام توابع خاصة‬
‫ببناء شبكة ‪ FFNN‬معرفة في مكتبة ‪ Neural Network Toolbox‬الموجودة في ‪ .Matlab‬كما يعتمد اختبار‬

‫‪3‬‬
‫أداء وفعالية المتحكم ‪ MPPT- ANN‬المطور‪ ،‬على مقارنة نتائج المحاكاة المنجزة في بيئة ‪،Matlab/Simulink‬‬
‫مع تلك الناتجة باستخدام متحكم ‪ MPPT-ANN-PI‬ومتحكم ‪ MPPT-P&O‬تقليدي‪ .‬باإلضافة لمقارنة نتائج‬
‫عامل الكفاءة لنظام ‪ PV‬الناتج باستخدام كل من المتحكمات المذكورة مع حالة عدم استخدام متحكم ‪ MPPT‬أي‬
‫حالة الوصل المباشر لحمل أومي مع نظام ‪ PV‬عند التغيرات الجوية الفجائية والسريعة‪.‬‬

‫الشبكة العصبونية الصنعية‬

‫تعرف الشبكة العصبونية الصنعية ‪ ،ANN‬بأنها عبارة عن نظام لمعالجة البيانات بشكل يحاكي ويشابه الطريقة‬ ‫ّ‬
‫شبكة العصبيّة الصنعيَّة مع الدماغ البشري في أنها‬‫شبكات العصبيّة عند اإلنسان ‪.‬حيث تتشابه ال ّ‬
‫التي تقوم بها ال ّ‬
‫تكتسب المعرفة بالتدريب‪ ،‬وتخزن هذه المعرفة باستخدام قوى وصل العصبونات )‪ (Neurons‬والتي تسمى‬
‫باألوزان التشابكية‪ .‬تربط األوزان )‪ (Weights‬العصبون في كل طبقة مع كل عصبون في الطبقة التالية‪ ،‬حيث‬
‫يمكن تدريب الشبكة على إنجاز وظائف معينة من خالل ضبط قيم هذه األوزان التشابكية‪ .‬تتكون الشبكات العصبية‬
‫ذات التغذية األمامية ‪ FFNN‬من نظام من الخاليا العصبية‪ ،‬التي يتم ترتيبها في طبقات‪ ،‬حيث تتكون هذه الشبكات‬
‫من طبقة على األقل من الطبقات المخفية (‪ )Hidden Layer‬فضال عن طبقة الدخل (‪ )Input Layer‬وطبقة‬
‫الخرج (‪.)Output Layer‬‬
‫(‪)1‬‬

‫الشكل (‪ )1‬بنية العصبون‪.‬‬

‫يتضمن كل عصبون‪ ،‬وحدة معالجة تقوم بتحديد خرج العصبون من خالل تطبيق عمليتين حسابيتين متتاليتين‬
‫كما هو موضح بالشكل (‪ ،)1‬تتضمن العملية األولى‪ ،‬تحديد ناتج مجموع جداء متغيرات دخل الطبقة السابقة‬
‫‪ ،‬مضاف لها قيم االنزياح ليتم في العملية الثانية تحديد خرج العصبون ‪ Y‬وذلك‬ ‫باألوزان التشابكية‬
‫كما هو موضح بالعالقة )‪. (1‬‬ ‫باستخدام ناتج العملية األولى كمتغير لتابع تنشيط العصبون‬

‫بنية الشبكة العصبونية الصنعية ذات التغذية األمامية ‪ FFNN‬المقترحة لتتبع نقطة‬
‫‪ MPP‬لنظام ‪PV‬‬
‫تتكون بنية الشبكة العصبونية الصنعية ذات التغذية األمامية ‪ FFNN‬المقترحة لتتبع نقطة ‪ MPP‬لنظام ‪، PV‬‬
‫من ثالث طبقات ‪:‬طبقة دخل‪ ،‬طبقة مخفية وطبقة خرج‪ .‬تحوي طبقة الدخل على متغيري دخل‪ ،‬يمثل متغير الدخل‬
‫‪.‬‬ ‫‪ .‬بينما يمثل متغير الدخل الثاني شدة اإلشعاع الشمسي‬ ‫األول درجة حرارة الخلية الشمسية‬
‫في حين‪ ،‬تحوي طبقة الخرج على عصبون واحد ممثل لخرج الشبكة ‪ VMPP‬والموافق لتوتر التشغيل األمثل لنظام‬
‫‪ .PV‬أما عدد عصبونات الطبقة المخفية‪ ،‬حدد خالل عملية تدريب الشبكة بأربع عصبونات كما هو موضح بالشكل‬
‫(‪ )2‬الذي يبين بنية شبكة ‪ FFNN‬المقترحة لتتبع نقطة ‪ MPP‬لنظام ‪.PV‬‬

‫‪4‬‬
 ‫الشكل (‪ )2‬بنية الشبكة العصبونية الصنعية ‪ FFNN‬المقترحة لتتبع نقطة ‪ MPP‬لنظام ‪.PV‬‬

‫لتقييم أداء الشبكة المدربة سنعتمد على دليل األداء (‪ )Performance Index‬الممثل لقيمة متوسط مربع‬
‫‪ )Mean square error ,‬المحدد كما يلي‪:‬‬ ‫الخطأ (‬

‫(‪)2‬‬

‫‪ :‬القيم الحقيقية للخرج والقيم الناتجة عن الشبكة عند وحدة اإلخراج على التوالي‪.‬‬ ‫و‬ ‫تمثل‬
‫أصغرية متناهية إلى الصفر‪ .‬كما يمكن التحقق من أداء‬ ‫حيث أن األداء المثالي للشبكة المدربة يتوافق مع قيمة‬
‫وموثوقية الشبكةـ‪ ،‬بتقييم قيمة معامل االرتباط ‪ ،(Correlation Coefficient) R‬الذي يحدد دقة نموذج شبكة‬
‫‪ ANN‬الناتج‪ ،‬وذلك بمقارنة نتائج المخرجات الحقيقية والناتجة عن الشبكة‪ .‬فعند اقتراب قيمة ‪ R‬من ‪ 1‬يعنى أن‬
‫النموذج جيد‪ ،‬وعندما تكون قيمة ‪ R‬بالقرب من ‪ 0‬تدل على أن النموذج الناتج للشبكة العصبونية غير جيد‪.‬‬

‫نمذجة شبكة ‪ FFNN‬المقترحة لتتبع نقطة ‪ MPP‬لنظام ‪ PV‬في ‪Matlab‬‬

‫لتحقيق بناء نموذج شبكة ‪ FFNN‬المقترح بالشكل (‪ ،)2‬اعتمدنا على برمجة عملية بناء الشبكة في ‪Matlab‬‬
‫باستخدام تابع " ‪ "newff‬المستخدم لنمذجة شبكات ‪ ،FFNN‬وباستخدام توابع أخرى معرفة في مكتبة ‪Neural‬‬
‫‪ .Network Toolbox‬حيث تتطلب ذلك تحديد ما يلي‪:‬‬

‫إدخال بيانات يصل عددها إلى ‪ 300‬عينة مرتبة على شكل مصفوفة‪ ،‬تمثل هذه البيانات قيم مختلفة‬ ‫‪‬‬
‫لمتغيري دخل الشبكة‪ ،‬والموافقة لتغيرات درجة حرارة خلية الشمسية الواقعة ضمن المجال‪:‬‬
‫‪ ،‬باإلضافة‬ ‫‪ ،‬ولتغيرات مختلفة لشدة اإلشعاع الشمسي‬
‫إلدخال بيانات خرج الشبكة الممثلة لقيم ‪ VMPP‬الموافقة لكل من تغيرات و ‪ .‬حيث تم الحصول‬
‫على قيم ‪ VMPP‬باعتبارها حلول المعادلة (‪ ،)4‬الناتجة باستخدام عالقة استطاعة نظام ‪ PV‬التالية‪:‬‬

‫)‪(3‬‬

‫)‪(4‬‬

‫التيار الضوئي‬ ‫تيار وتوتر خرج نظام ‪ PV‬على التوالي‪ .‬يمثل‬ ‫‪،‬‬ ‫يمثل‬
‫عامل مثالية الديود‪.‬‬ ‫الجهد الحراري‪،‬‬ ‫تيار اإلشباع العكسي‪،‬‬ ‫المتولد‪،‬‬
‫شحنة االلكترون‪ ،‬درجة حرارة الخلية الشمسية‪ .‬و المقاومة التسلسلية و‬ ‫ثابت بولتزمان‪،‬‬
‫المقاومة التفرعية وتقاس باألوم‪.‬‬

‫‪5‬‬
 ‫سِّمت البيانات المدخلة عشوائيا إلى ثالث مجموعات هي ‪:‬مجموعة التدريب‪ ،‬مجموعة التحقق ومجموعة‬ ‫قُ ّ‬ ‫‪‬‬
‫االختبار‪ ،‬وذلك بنسبة ‪ % 70‬لمجموعة التدريب وبنسبة ‪ % 11‬لمجموعتي التحقق واالختبار‪.‬‬
‫تم اختيار تابع التدريب " ‪ ،" trainlm‬الممثل لخوارزمية التدريب العكسي ‪،Marquardt Levenberg‬‬ ‫‪‬‬
‫التي تعتبر األكثر انتشارا واستخداما في تدريب شبكات ‪ ،FFNN‬ألنها تمتاز بسرعة عالية في الوصول‬
‫إلى الحل األمثل الموافق لتحقيق متوسط خطأ أصغري ‪ .MSE‬كما تم اعتماد تابع التفعيل سيغمويد (تابع‬
‫الظل القطعي)‪ " tansig " :‬في الطبقة المخفية‪ ،‬وتابع التفعيل الخطي "‪ " purelin‬في طبقة الخرج‪.‬‬
‫ُحدد عدد العصبونات في الطبقة المخفية بالتجريب‪ ،‬وذلك بتغيير عدد عصبونات هذه الطبقة وتدريب‬ ‫‪‬‬
‫الشبكة لغاية الحصول على معايير األداء المثلى للشبكة المدربة‪.‬‬
‫تم اعتماد ثالثة سيناريوهات لبناء الشبكة العصبونية‪ ،‬تحوي جميعها على طبقة دخل بمدخلين‪ ،‬وطبقة‬
‫خرج بعصبون واحد بينما عدد عصبونات الطبقة المخفية‪ ،‬يختلف من اثنين إلى ثالثة إلى أربعة‪ ،‬كما هو‬
‫موضح بالجدول (‪ . )1‬كما تم االعتماد على تقييم قيمة متوسط الخطأ ‪ MSE‬وقيم معامل االرتباط ‪ R‬في‬
‫مرحلة التدريب والتحقق واالختبار‪ ،‬العتماد هيكلية الشبكة العصبونية ‪ FFNN‬النهائية المعتمدة في‬
‫البحث‪.‬‬

‫الجدول (‪ )1‬يوضح سيناريوهات الشبكة التي تم بناؤها مع قيم ‪ MSE‬و‪ R‬في مرحلة التدريب واالختبار والتحقق‪.‬‬

‫من الجدول (‪ ،)1‬يتضح أن االستمرار بزيادة عدد عصبونات الطبقة المخفية سيؤدي إلى تحقيق قيمة أصغرية‬
‫لمتوسط مربع خطأ ‪ ،‬ولكنه يزيد من حجم وتعقيد الشبكة‪ ،‬لذلك نعتبر أن السيناريو الذي يعطي الشبكة المثالية هو‬
‫‪ ،‬ويحقق قيمة مثلى لمعامل االرتباط ‪ R‬مساوية للواحد‪.‬‬ ‫األخير‪ ،‬الذي يعطي أقل قيمة لمتوسط مربع خطأ‬
‫وبالتالي النموذج األمثل لشبكة ‪ FFNN‬يمتلك الهيكلية التالية‪ :‬طبقة الدخل مؤلفة من دخلين‪ ،‬طبقة مخفية بأربع‬
‫عصبونات‪ ،‬وطبقة خرج بعصبون واحد‪ ،‬كما هو موضح بالشكل (‪ )3‬الذي يبين بنية الشبكة ‪ FFNN‬النهائية‬
‫المستخدمة في البحث‪.‬‬
‫يظهر الشكل (‪ ،)4‬منحني األداء للشبكة العصبونية الموافق للسناريو األخير‪ ،‬حيث يتضمن الشكل المذكور أربعة‬
‫منحنيات‪ :‬منحني عملية التدريب (‪ ،)Train‬منحني صالحية الشبكة العصبونية أي التحقق (‪ ،)Validation‬منحني‬
‫عملية االختبار(‪ ،)Test‬ومنحني القيم األفضل (‪ .)Best‬نرى من خالل الشكل أن المنحنيات جميعها تقاربت إلى‬
‫‪ .‬بينما يظهر الشكل (‪،)1‬‬ ‫عند التكرار‬ ‫قيمة متوسط مربع الخطأ‪،‬‬
‫قيمة معامالت االرتباط ‪ R‬للمجموعات الثالث (التدريب‪-‬التحقق‪-‬االختبار) مساوية للواحد‪ ،‬وهذا يظهر دقة نموذج‬
‫‪FFNN‬الناتج‪ ،‬كما يظهر العالقة الخطية بين قيم الخرج النظرية وتلك الناتجة عن الشبكة‪ .‬بعد انتهاء عملية تدريب‬
‫الشبكة والحصول على النموذج األمثل لها‪ ،‬نعتمد األوزان واالنزياحات الناتجة في هذه المرحلة‪ ،‬ليتم استخدامها في‬
‫محاكاة شبكة ‪ FFNN‬في بيئة ‪ .Matlab/Simulink‬وبذلك نحصل على النموذج النهائي لشبكة ‪ FFNN‬المطور‬
‫في بيئة ‪ Matlab/Simulink‬والممثل بالمخطط الصندوقي الموضح بالموضح بالشكل (‪.)7‬‬

‫مصفوفة األوزان عبر االرتباطات من طبقة الدخل إلى عصبونات الطبقة‬ ‫‪،‬‬ ‫تمثل كل من‬
‫المخفية‪ ،‬وصفوفة األوزان عبر االرتباطات من عصبونات الطبقة المخفية إلى عصبون طبقة الخرج على التوالي‪.‬‬
‫فتمثل مصفوفات االنزياحات‪ .‬كما يبين الشكل اعتماد تابع التفعيل سيغمويد " ‪ " tansig‬في الطبقة‬ ‫أما‬
‫المخفية‪ ،‬وتابع "‪ " purelin‬في طبقة الخرج‪.‬‬

‫‪6‬‬
 ‫الشكل (‪ )3‬بنية الشبكة ‪ FFNN‬النهائية المعتمدة في بيئة ‪.Matlab‬‬

‫الشكل (‪ )4‬منحني األداء للشبكة العصبونية ‪ FFNN‬للمجموعات الثالث (التدريب‪-‬التحقق‪-‬االختبار)‪.‬‬

‫‪.‬‬

‫‪7‬‬
‫الشكل )‪ (5‬معامالت االرتباط للمجموعات الثالث (التدريب‪-‬التحقق‪-‬االختبار)‪.‬‬

‫الشكل (‪ )6‬محاكاة شبكة ‪ FFNN‬في بيئة ‪.Matlab/Simulink‬‬

‫‪8‬‬
 ‫الشكل (‪ )7‬نموذج شبكة التغذية األمامية ‪ FFNN‬المطور في بيئة ‪.Matlab/Simulink‬‬

‫خوارزمية التحكم المباشر المقترحة لتحديد نسبة التشغيل المرتكزة على خرج شبكة ‪FFNN‬‬
‫لتحقيق عمل المتحكم ‪ MPPT‬في تتبع نقطة ‪ MPP‬لنظام ‪ ،PV‬يجب تحديد نسبة التشغيل المستخدمة للتحكم‬
‫في دورة عمل مبدل جهد مستمر‪ ،‬عند التغيرات الجوية المختلفة‪ .‬لهذا الغرض‪ ،‬اقترحنا خوارزمية تحكم‪ ،‬تمكننا من‬
‫الناتج من نموذج‬ ‫تحديد نسبة التشغيل باالعتماد على مقارنة توتر خرج نظام ‪ PV‬مع توتر التشغيل األمثل‬
‫الشبكة العصبونية ‪ FFNN‬استجابة لتغيرات كل من و ‪ ،‬لتيم بناء على ذلك تحديد قيمة نسبة التشغيل‬
‫‪.‬‬ ‫بمقدار محدد ثابت‬ ‫وذلك بزيادة أو انقاص قيمة نسبة التشغيل السابقة‬

‫خرج شبكة ‪.FFNN‬‬ ‫الشكل (‪ )8‬خوارزمية التحكم المقترحة لتحديد نسبة التشغيل باالعتماد على التوتر األمثل‬

‫على خرج شبكة ‪.FFNN‬‬

‫يعتمد تحقيق عمل المتحكم ‪ ،MPPT‬في البحث على مبدل رافع للجهد المستمر‪ ،‬يقوم هذا المبدل برفع توتر الدخل‬
‫باالعتماد على نسبة التشغيل المحددة بالعالقة‬ ‫الممثل لتوتر خرج النظام ‪ PV‬إلى توتر الحمل‬
‫التالية‪:‬‬

‫‪9‬‬
‫عدد البعدي‪ ،‬يمثل نسبة تشغيل ترانزستور مبدل الجهد‪ ،‬الناتجة من نسبة الزمن الذي يكون‬ ‫تعتبر‬
‫بالفولت [‪.]V‬‬ ‫و‬ ‫الترانزستور مغلقا إلى زمن الدور‪ .‬يقاس كل من التوتر‬

‫محاكاة متحكم ‪ MPPT-ANN‬ومتحكم ‪ P&O‬في بيئة ‪Matlab/Simulink‬‬

‫يبين الشكل (‪ ،)9‬محاكاة متحكم تتبع نقطة ‪ MPP‬لنظام ‪ MPPT-ANN ،PV‬المرتكز على شبكة ‪FFNN‬‬
‫باستخدام طريقة التحكم المباشر المطبقة باالعتماد على خوارزمية التحكم الموضحة بالشكل (‪ ،)8‬المستخدمة لضبط‬
‫خرج شبكة ‪ ،FFNN‬ليتم تحديد قيمة تحديد نسبة التشغيل‬ ‫توتر خرج نظام ‪ PV‬عند التوتر األمثل‬
‫للتحكم في دورة عمل المبدل رافع الجهد المستمر‪.‬‬ ‫المناسبة‬

‫الشكل (‪ )9‬محاكاة متحكم ‪ MPPT‬مرتكز على شبكة ‪ FFNN‬باستخدام طريقة التحكم المباشر في بيئة ‪.Matlab/Simulink‬‬
‫كما يبين الشكل (‪ ،)10‬محاكاة المتحكم ‪ MPPT-P&O‬المرتكز على تقنية االضطراب والمراقبة ‪P&O‬‬
‫‪ ،‬باالعتماد على تحديد نوع إشارة كل من‬ ‫المباشرة‪ .‬تعتمد تقنية ‪ P&O‬المباشرة على تحديد نسبة التشغيل‬
‫لخرج النظام ‪ ،PV‬ليتم تحديد زيادة أو تخفيض قيمة نسبة التشغيل‬ ‫وتغيرات التوتر‬ ‫تغيرات االستطاعة‬
‫‪.‬‬ ‫بمقدار محدد ثابت‬ ‫في الخطوة السابقة‬

‫‪11‬‬
 ‫الشكل (‪ )10‬محاكاة متحكم ‪ MPPT-P&O‬باستخدام طريقة التحكم المباشر في بيئة ‪.Matlab/Simulink‬‬

‫محاكاة نظام تتبع نقطة ‪ MPP‬باستخدام متحكم ‪ MPPT-ANN‬ومتحكم ‪MPPT-ANN-PI‬‬

‫ومتحكم ‪ MPPT-P&O‬في بيئة ‪Matlab/Simulink‬‬
‫يعتمد فحص واختبار فعالية أداء المتحكم ‪ ،MPPT-ANN‬على نموذج المحاكاة لنظام تتبع نقطة ‪ MPP‬لنظام‬
‫‪ PV‬المنجز في بيئة ‪ Matlab/Simulink‬والموضح بالشكل (‪ .)11‬يتكون النظام باإلضافة للمتحكم ‪MPPT-‬‬
‫‪ ANN‬من نظام ‪ ، PV‬مبدل رافع للجهد المستمر (‪.)DC-DC Boost Converter‬‬

‫الشكل (‪ )11‬محاكاة نظام تتبع نقطة ‪ MPP‬لنظام ‪ ،PV‬مرتكز على متحكم ‪ ANN‬المطور في بيئة ‪.Matlab/Simulink‬‬

‫أما الشكل (‪ ،)12‬يبين المحاكاة مع متحكم ‪ MPPT-ANN-PI‬المعتمد على شبكة عصبونية صنعية لتحديد‬
‫توتر التشغيل األمثل ‪ VMPP‬الذي يتم مقارنته مع توتر خرج النظام ‪ PV‬لتحديد الخطأ الممثل كدخل لمتحكم ‪PI‬‬
‫تقليدي‪ .‬بناء على ذلك‪ ،‬يقوم المتحكم ‪ PI‬بتوليد إشارة النبضة المستخدمة للتحكم في عمل ترانزستور مبدل الجهد‬
‫كما هو موضح في المرجع ]‪ .[7‬كذلك يبين الشكل (‪ )13‬المحاكاة الناتجة مع متحكم ‪.MPPT-P&O‬‬

‫‪11‬‬
 ‫الشكل (‪ )12‬محاكاة نظام تتبع نقطة ‪ MPP‬لنظام ‪ ،PV‬مرتكز على متحكم ‪ MPPT-ANN-PI‬في بيئة ‪.Matlab/Simulink‬‬

‫الشكل (‪ )13‬محاكاة نظام تتبع نقطة ‪ MPP‬لنظام ‪ ،PV‬مرتكز على متحكم ‪ MPPT-P&O‬في بيئة ‪.Matlab/Simulink‬‬

‫النتائج والمناقشة‬
‫الموافقة لتوتر نقطة ‪ MPP‬عند التغيرات الجوية‬ ‫يمكن الحصول على قيم توتر التشغيل األمثل‬
‫خرج شبكة‬ ‫المختلفة باستخدام نموذج شبكة ‪ FFNN‬الموضح بالشكل (‪ .)7‬يبين الجدول (‪ )2‬مقارنة قيم‬
‫مع ثبات‬ ‫الناتجة عند تغيرات مختلفة لشدة اإلشعاع الشمسي‬ ‫‪ FFNN‬مع القيم النظرية‬
‫‪ .‬أما الجدول (‪ ،)3‬يبين المقارنة عند تغيرات مختلفة لدرجة حرارة‬ ‫درجة حرارة الخلية الشمسية‬
‫‪ .‬كما تظهر نتائج الجدول (‪ )2‬و(‪ ،)3‬أن‬ ‫الخلية الشمسية مع ثبات قيمة شدة اإلشعاع الشمسي‬
‫الناتجة مع القيم النظرية‪،‬‬ ‫متناهية في الصغر‪ ،‬مما يعني تقارب قيم‬ ‫قيم قيمة متوسط مربع الخطأ‬
‫بدقة كبيرة‪ .‬وبذلك‪ ،‬يمكن اعتبار نموذج شبكة‬ ‫وهذا يعكس دقة نموذج شبكة ‪ FFNN‬المعتمد في تقدير قيم‬
‫عند أي تغيرات جوية بدقة وبسرعة فائقة‪.‬‬ ‫‪ FFNN‬عبارة عن نموذج رياضي لتقدير قيمة‬

‫‪12‬‬
 ‫خرج شبكة ‪ FFNN‬وقيمة‬ ‫وتوتر التشغيل األمثل‬ ‫الجدول (‪ )2‬قيم التوتر األمثل النظري‬
‫‪.‬‬ ‫مع ثبات درجة حرارة الخلية الشمسية‬ ‫عند تغيرات مختلفة لشدة اإلشعاع الشمسي‬

‫خرج شبكة ‪ FFNN‬وقيمة‬ ‫وتوتر التشغيل األمثل‬ ‫الجدول (‪ )3‬قيم التوتر األمثل النظري‬
‫‪.‬‬ ‫عند تغيرات مختلفة لدرجة حرارة الخلية الشمسية مع ثبات شدة اإلشعاع الشمسي‬

‫قبل عرض نتائج المحاكاة الناتجة باستخدام المتحكم ‪ ،MPPT-ANN‬يمكن دراسة تغير االستطاعة النظرية‬
‫لنظام ‪ ،PV‬مع تغير شدة اإلشعاع الشمسي ‪ G‬ودرجة حرارة الخلية الشمسية ‪ .‬حيث تزداد‬ ‫العظمى‬
‫كما هو موضح بالشكل (‪ .)14‬بينما تتناقص‬ ‫بزيادة ‪ G‬عند ثبات درجة الحرارة‬ ‫االستطاعة النظرية‬
‫مع زيادة وثبات قيمة ‪ G‬كما هو موضح بالشكل (‪ .)11‬يتكون النظام ‪ PV‬المدروس من‬ ‫االستطاعة‬
‫والمحددة عند‬ ‫خلية شمسية موصولة على التسلسل للحصول على االستطاعة الكلية للنظام‬
‫‪.‬‬ ‫‪,‬‬ ‫الشروط القياسية النظامية‬

‫‪13‬‬
 ‫‪T= 25°C, G = (600-1000-400-700-900) W /m2‬‬
‫‪180‬‬

‫‪2‬‬
‫‪150‬‬
‫‪MPP‬‬ ‫‪G=1000W/m ,T=25°C‬‬
‫‪2‬‬
‫‪G=900W/m ,T=25°C‬‬ ‫‪MPP‬‬
‫‪2‬‬
‫‪MPP‬‬ ‫‪G=700W/m ,T=25°C‬‬
‫)‪Ppv (W‬‬

‫‪100‬‬ ‫‪2‬‬
‫‪G=600W/m ,T=25°C MPP‬‬
‫‪2‬‬
‫‪MPP‬‬ ‫‪G=400W/m ,T=25°C‬‬
‫‪50‬‬

‫‪0‬‬
‫‪0‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪50‬‬ ‫‪60‬‬
‫)‪VMPP (V‬‬

‫الشكل (‪ )14‬منحني الخصائص المميزة (‪ )P-V‬للنظام ‪PV‬عند تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة‪.‬‬

‫‪T = 25- 55- 35°C, G = 800 W /m2‬‬

‫‪160‬‬

‫‪2‬‬
‫‪2‬‬ ‫‪MPP G=800W/m ,T=25°C‬‬
‫‪120‬‬ ‫‪G=800W/m ,T=35°C‬‬ ‫‪MPP‬‬
‫)‪Ppv (W‬‬

‫‪2‬‬
‫‪MPP‬‬ ‫‪G=800W/m ,T=55°C‬‬
‫‪80‬‬

‫‪40‬‬

‫‪0‬‬
‫‪0‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪50‬‬ ‫‪60‬‬
‫)‪VMPP (V‬‬

‫الشكل (‪ )15‬منحني الخصائص المميزة (‪ )P-V‬للنظام ‪ PV‬عند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة‪.‬‬

‫مقارنة أداء المتحكم المطور ‪ MPPT-ANN‬مع المتحكم ‪ MPPT-ANN-PI‬والمتحكم‬

‫التقليدي ‪:MPPT-P&O‬‬
‫لتقييم أداء المتحكم المطور في البحث‪ ،‬نعمد اآلن إلى مقارنة نتائج المحاكاة مع تلك الناتجة باستخدام المتحكم‬
‫‪ MPPT-ANN-PI‬المطور في المرجع ]‪ ،[7‬ومع حالة استخدام المتحكم التقليدي ‪ .MPPT-P&O‬نعرض فيما‬
‫‪ ،‬ومع افتراض تغيرات‬ ‫يلي نتائج المحاكاة الناتجة عند اعتبار ثبات درجة حرارة الخلية الشمسية‬
‫‪ ،‬موضحة بالشكل (‪ .)16‬كما‬ ‫لشدة اإلشعاع الشمسي ‪:‬‬
‫يظهر من الشكل (‪ ،)17‬أن استطاعة خرج النظام ‪ PV‬الناتجة عند التغيرات المختلفة لشدة اإلشعاع الشمسي‪ ،‬هي‬
‫أكبر باستخدام المتحكم المطور ‪ MPPT-ANN‬مقارنة مع استخدام كل من المتحكم المرجعي ‪MPPT-ANN-PI‬‬
‫والمتحكم ‪ ،MPPT-P&O‬ومقارنة مع حالة الوصل المباشر للنظام ‪ PV‬مع الحمل أي دون استخدام متحكم‬
‫‪ .(Without MPPT( MPPT‬من جهة أخرى‪ ،‬يظهر المتحكم ‪ MPPT-ANN‬تحقيق سلوك حالة عابرة أفضل‬
‫لنظام ‪ PV‬عند تتبع نقطة ‪ ،MPP‬حيث يالحظ سرعة عالية في الوصول لقيمة ‪ MPP‬الجديدة عند التغيرات الجوية‬
‫الفجائية السريعة الموافقة لالنتقال من شروط سوية إشعاع شمسي إلى أخرى‪ ،‬مقارنة مع استخدام كل من ‪MPPT-‬‬
‫‪ ANN-PI‬و‪ . MPPT-P&O‬يعود ذلك لدقة وسرعة المتحكم ‪ MPPT-ANN‬في تحديد نسبة التشغيل مقارنة مع‬
‫كل من المتحكم ‪ MPPT-ANN-PI‬و ‪ MPPT-P&O‬كما هو موضح بالشكل (‪ .)11‬مما نتج عنه التحكم الفعال‬
‫في دورة عمل مبدل رافع الجهد لتحقيق عمل نظام ‪ PV‬عند نقطة ‪ MPP‬بدقة كبيرة استجابة للتغيرات في شدة‬
‫اإلشعاع الشمسي‪.‬‬

‫‪14‬‬
 ‫‪G = (600-1000-400-700-900) W /m2‬‬
‫‪1100‬‬

‫‪900‬‬
‫)‪G (W/m2‬‬

‫‪700‬‬

‫‪500‬‬

‫‪300‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬ ‫‪0.8‬‬ ‫‪0.9‬‬ ‫‪1‬‬
‫)‪time(s‬‬

‫الشكل (‪ )16‬تغيرات شدة اإلشعاع الشمسي‪.‬‬

‫‪T= 25°C, G = (600-1000-400-700-900) W /m2‬‬

‫‪160‬‬

‫‪140‬‬

‫‪120‬‬
‫‪MPPT-ANN‬‬

‫‪100‬‬ ‫‪MPPT-P&O‬‬
‫)‪Ppv (W‬‬

‫‪80‬‬

‫‪60‬‬
‫‪MPPT-ANN-PI‬‬

‫‪40‬‬
‫‪MPPT-ANN‬‬
‫‪MPPT-ANN-PI‬‬
‫‪20‬‬
‫‪W ithout‬‬ ‫‪MPPT-P&O‬‬
‫‪MPPT‬‬ ‫‪Without MPPT‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬ ‫‪0.8‬‬ ‫‪0.9‬‬ ‫‪1‬‬
‫)‪time(s‬‬

‫الشكل (‪ )11‬استطاعة خرج نظام ‪ PV‬عند شروط تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة‪.‬‬
‫لنظام ‪ PV‬المبينة‬ ‫يمكن تقييم فعالية كل من المتحكمات السابقة باالعتماد على نتائج قيم عامل الكفاءة‬
‫في الجدول (‪ ،)4‬والناتجة بقسمة استطاعة خرج نظام ‪ PV‬الناتجة عند الحالة المستقرة الثابتة على االستطاعة‬
‫الناتجة عند نفس الشروط الجوية‪ .‬فمن الجدول (‪ )4‬نالحظ أن النظام ‪ PV‬يمتلك عامل‬ ‫النظرية العظمى‬
‫كفاءة أعلى باستخدام متحكم ‪ MPPT-ANN‬مقارنة مع استخدام المتحكم ‪ MPPT-ANN-PI‬و ‪MPPT-P&O‬‬
‫ومع حالة عدم استخدام متحكم ‪.Without MPPT‬‬
‫‪T= 25°C, G = (600-1000-400-700-900) W /m2‬‬
‫‪0.7‬‬

‫‪0.6‬‬

‫‪0.5‬‬ ‫‪MPPT-ANN‬‬

‫‪0.4‬‬
‫‪D‬‬

‫‪0.3‬‬
‫‪MPPT-ANN-PI‬‬ ‫‪MPPT-ANN‬‬
‫‪0.2‬‬ ‫‪MPPT-ANN-PI‬‬
‫‪MPPT-P&O‬‬
‫‪MPPT-P&O‬‬
‫‪0.1‬‬

‫‪0‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬ ‫‪0.8‬‬ ‫‪0.9‬‬ ‫‪1‬‬
‫)‪time(s‬‬

‫الشكل (‪ )11‬تغير نسبة التشغيل ‪ D‬عند شروط تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة‪.‬‬

‫‪15‬‬
 ‫الجدول (‪ )4‬عامل كفاءة نظام ‪ PV‬عند الحالة المستقرة مع متحكم ‪MPPT-P&O،MPPT-ANN-PI ،MPPT-ANN‬‬
‫ودون متحكم ‪ MPPT‬عند سويات مختلفة لإلشعاع الشمسي‬

‫مع ثبات شدة اإلشعاع‬ ‫نفترض اآلن شروط جوية أخرى موافقة لتغيرات لدرجة حرارة الخلية الشمسية‬
‫كما هو موضح‬ ‫مع تغيرات لدرجة الحرارة‬ ‫الشمسي‬
‫بالشكل (‪ .)19‬كما هو موضح بالشكل (‪ ،)20‬يحقق المتحكم ‪ MPPT-ANN‬أداء ديناميكي أفضل لنظام ‪،PV‬‬
‫‪ ،‬مقارنة مع استخدام المتحكم ‪MPPT-ANN-PI‬‬ ‫حيث يتقارب منحني االستطاعة بزمن أقل بكثير نحو قيم‬
‫و‪ .MPPT-P&O‬كما يبدي المتحكم ‪ MPPT-ANN‬سرعة استجابة أفضل للتغيرات في درجة الحرارة للوصول‬
‫كما هو مبين في الشكل (‪ .)21‬كما تبين نتائج الجدول (‪ ،)1‬يحقق‬ ‫بسرعة فائقة نحو قيم نسبة التشغيل المثلى‬
‫المتحكم ‪ MPPT-ANN‬عامل كفاءة أفضل لنظام ‪ PV‬عند شروط ثبات شدة اإلشعاع الشمسي‬
‫مع تغيرات مختلفة لدرجة حرارة الخلية الشمسية الحرارة‪:‬‬
‫مقارنة مع استخدام ‪ MPPT-ANN-PI‬و‪ MPPT-P&O‬ومن دون استخدام متحكم ‪. MPPT‬‬
‫‪T = 25- 55- 35°C‬‬
‫‪60‬‬

‫‪50‬‬
‫)‪T (°C‬‬

‫‪35‬‬

‫‪20‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬
‫)‪time(s‬‬

‫الشكل (‪ )11‬تغيرات درجة الحرارة‪.‬‬

‫‪16‬‬
 ‫‪T = 25- 55- 35°C, G = 800 W/m2‬‬
‫‪140‬‬

‫‪120‬‬

‫‪100‬‬
‫‪MPPT-ANN‬‬
‫)‪Ppv (W‬‬

‫‪80‬‬
‫‪MPPT-P&O‬‬
‫‪60‬‬ ‫‪MPPT-ANN-PI‬‬

‫‪40‬‬
‫‪MPPT-ANN‬‬
‫‪MPPT-ANN-PI‬‬
‫‪20‬‬
‫‪Without MPPT‬‬ ‫‪MPPT-P&O‬‬
‫‪Without MPPT‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬
‫)‪time(s‬‬

‫الشكل (‪ )22‬استطاعة خرج نظام ‪ PV‬عند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة‪.‬‬

‫‪T = 25- 55- 35°C, G = 800 W/m2‬‬

‫‪0.7‬‬

‫‪0.6‬‬

‫‪0.5‬‬

‫‪0.4‬‬
‫‪MPPT-ANN‬‬ ‫‪MPPT-P&O‬‬
‫‪D‬‬

‫‪0.3‬‬

‫‪MPPT-ANN-PI‬‬
‫‪0.2‬‬ ‫‪MPPT-ANN‬‬
‫‪MPPT-ANN-PI‬‬
‫‪0.1‬‬
‫‪MPPT-P&O‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬
‫)‪time(s‬‬

‫الشكل (‪ )21‬تغير نسبة التشغيل ‪ D‬عند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة‪.‬‬

‫الجدول (‪ )5‬عامل كفاءة نظام ‪ PV‬عند الحالة المستقرة مع متحكم ‪MPPT-P&O،MPPT-ANN-PI،MPPT-ANN‬‬

‫و عند تغير درجة الحرارة‪.‬‬ ‫ودون متحكم ‪ MPPT‬عند‬

‫‪17‬‬
 ‫االستنتاجات والتوصيات‪:‬‬
‫تم في هذا البحث العمل على تطوير متحكم ‪ MPPT-ANN‬مرتكز على شبكة عصبونية صنعية ذات تغذية‬
‫أمامية ‪ FFNN‬وعلى طريقة التحكم المباشر لتتبع نقطة ‪ MPP‬لنظام ‪ PV‬في بيئة ‪ .Matlab/Simulink‬كما تم‬
‫اختبار فعالية وأداء المتحكم المطور ‪ ،MPPT-ANN‬مقارنة مع استخدام كل من المتحكم ‪MPPT-ANN-PI‬‬
‫و‪ .MPPT-P&O‬بناء على ذلك تم الوصول إلى االستنتاجات التالية‪:‬‬
‫أظهر نموذج شبكة ‪ FFNN‬المعتمد في البحث‪ ،‬سرعة فائقة ودقة كبيرة في تقدير قيمة توتر التشغيل‬ ‫‪‬‬
‫األمثل عند التغيرات المختلفة لشدة اإلشعاع الشمسي ودرجة الحرارة‪.‬‬
‫أظهر المتحكم ‪ ،MPPT-ANN‬المعتمد على خوارزمية التحكم المباشر المقترحة‪ ،‬دقة وسرعة فائقة في‬ ‫‪‬‬
‫تحديد قيم نسبة التشغيل المثلى المستخدمة للتحكم في دورة عمل مبدل رافع للجهد المستمر‪ ،‬مقارنة مع‬
‫المتحكم ‪ MPPT-ANN-PI‬وذلك يعود لالستغناء عن استخدام المتحكم ‪ PI‬الذي ال يبدي أداء جيد عند‬
‫التحكم بالنظم الالخطية‪.‬‬
‫حقق استخدام المتحكم ‪ MPPT-ANN‬المطور عامل كفاءة أفضل لنظام ‪ PV‬عند التغيرات الجوية‬ ‫‪‬‬
‫السريعة‪ ،‬مقارنة مع المتحكم ‪ MPPT-ANN-PI‬و‪.MPPT-P&O‬‬
‫يتجلى األداء األفضل للمتحكم ‪ ،MPPT-ANN‬من جهة بتحقيق أداء ديناميكي جيد لنظام ‪ PV‬وذلك‬ ‫‪‬‬
‫بتحقيق سرعة تقارب عالية نحو نقطة ‪ MPP‬المتغيرة استجابة للتغيرات الجوية‪ ،‬ومن جهة أخرى‪،‬‬
‫بتخفيض قيمة خطأ الحالة المستقرة مما نتج عنه ضبط استطاعة النظام ‪ PV‬عند قيم االستطاعة النظرية‬
‫العظمى‪.‬‬
‫يتسم تصميم المتحكم ‪ MPPT-ANN‬المطور‪ ،‬بالبساطة والسهولة حيث يمكن بناء متحكم ‪ ANN‬بسهولة‬ ‫‪‬‬
‫في حال توفر بيانات تدريب كافية‪ ،‬وباالختيار الصحيح لهيكلية الشبكة العصبونية الصنعية‪ ،‬المحققة‬
‫لمعايير األداء الجيد من متوسط خطأ أصغري وقيمة لمعامل االرتباط مساوية للواحد‪.‬‬
‫أوضحت نتائج المحاكاة صحة ودقة تصميم المتحكم المطور ‪ .MPPT-ANN‬حيث توافقت استجابة‬ ‫‪‬‬
‫النظام ‪ PV‬مع االستجابة المرغوبة المتوقعة باستخدام المتحكم ‪ MPPT-ANN‬عند كل التغيرات الجوية‪.‬‬

‫يمكن استكمال العمل باستخدام تقنيات تحكم متقدمة أخرى كالتحكم باستخدام المنطق الضبابي والخوارزميات‬
‫الجينية‪ ،‬ومقارنة نتائج هذه التقنيات مع التقنيات المستخدمة في هذا البحث‪.‬‬

‫المراجع‪:‬‬
‫‪[1] DOLARA, A.; FARANDA, R; LEVA, S. Energy Comparison of Seven MPPT‬‬
‫‪Techniques for PV Systems. Journal of Electromagnetic Analysis and Applications. 1,‬‬
‫‪2009, 152-162.‬‬
‫‪[2] GAIKWAD, D.; CHAVAN, M. A Novel Algorithm for MPPT for PV Application‬‬
‫‪System by use of Direct Control Method. International Journal of Computer‬‬
‫‪Applications. 109, 2015, 10-15.‬‬
‫‪[3] GAIKWAD, D.; CHAVAN, M. Implementation of DC-DC Converter for MPPT by‬‬
‫‪Direct Control Method. International Journal of Engineering and Technical Research. 3,‬‬
‫‪2014, 1244-1248.‬‬
‫‪[4] CHEIKH, M.; LARBES, C.; TCHOKETCHT, G.; ZERGUERRASZ, A. Maximum‬‬
‫‪power point tracking using a fuzzy logic control scheme. Revue des Energies‬‬
‫‪Renouvelables 10, 2007, 387 – 395.‬‬
‫‪[5] NAGARJUNA, J.; MANJUNATHA, B. M.; MALLIKARJUNA, M. Improving‬‬
‫‪efficiency of Photovoltaic System with Neural Network Based MPPT Connected to DC‬‬
‫‪Shunt Motor. International Journal of Modern Engineering Research 3, 2013, 2901-‬‬
‫‪2907.‬‬

‫‪18‬‬
[6] MAKHLOUFI, T.; KHIREDDINE, S.; ABDESSEMED, Y.; BOUTARFA, A .
Tracking Power Photovoltaic System using Artificial Neural Network Control Strategy.
Intelligent Systems and Applications 12, 2014, 17-26.
[7] ELGHARBI, A.; MEZGHANI, D.; MAMI, A. A Maximum Power Point Tracking
Method Based on Artificial Neural Network for a PV System. International Journal of
Advances in Engineering & Technology 5, 2012, 130-140.

19